Come l’intelligenza artificiale aiuta gli investitori al dettaglio a sfruttare le anomalie dei mercati predittivi e a fare soldi facili

Un bot di trading completamente automatizzato ha eseguito 8.894 operazioni su contratti di previsione a brevissimo termine su asset crypto, generando quasi $150.000 senza intervento umano, secondo una ricostruzione diffusa sui social network.

La strategia sfruttava brevi istanti in cui la somma dei prezzi dei contratti “Sì” e “No” sui contratti a cinque minuti su Bitcoin e Ether scendeva al di sotto di $1. In teoria, i due esiti dovrebbero sempre totalizzare esattamente $1: se invece la coppia quota complessivamente $0,97, il trader può comprare entrambe le parti e assicurarsi un guadagno teorico di tre centesimi una volta che il contratto si risolve.

Con una scommessa tipica di circa $1.000 per round-trip e una marginalità dell’1,5–3% per operazione, il profitto appare esiguo su singolo trade (circa $16,80 nell’esempio) ma diventa significativo quando replicato migliaia di volte. Le macchine non hanno bisogno di emozione: hanno bisogno di ripetibilità.

Come funziona l’arbitraggio quando $1 non è $1

I mercati di previsione consentono di negoziare contratti legati a esiti reali — dalle elezioni al prezzo di un asset nel prossimo intervallo temporale. Ogni contratto tipicamente si chiude a $1 se l’evento si verifica, o a $0 se non si verifica.

In un mercato perfettamente efficiente, il prezzo del “Sì” sommato al prezzo del “No” dovrebbe sempre essere pari a $1. Tuttavia, la realtà è diversa: liquidità ridotta, movimenti rapidi del sottostante e squilibri nell’order book possono creare disallineamenti temporanei, con market maker che ritirano le quotazioni durante la volatilità o partecipanti retail che aggrediscono un lato del libro.

Per un sistema sufficientemente veloce, anche una discrepanza che dura millisecondi può essere sfruttata acquistando entrambe le facce del contratto e incassando la differenza al momento della risoluzione.

Perché questi scarti esistono

Gli scarti nascono da limitazioni strutturali: i libri ordini dei contratti a cinque minuti su piattaforme come Polymarket presentano profondità molto inferiori rispetto ai libri di derivati su exchange centralizzati. Dati recenti mostrano che la profondità per lato può oscillare tra $5.000 e $15.000 nelle sessioni attive, cifre che risultano esigue se confrontate con i volumi dei mercati dei perpetual su Binance o Bybit.

In pratica, anche un tentativo di impiegare $100.000 per trade rischierebbe di consumare la liquidità disponibile e di vanificare il margine di profitto a causa dello slippage. Di conseguenza, per ora il vantaggio spetta a operatori che dimensionano le posizioni su importi di qualche migliaio di dollari.

Radici storiche e strumenti

Fenomeni simili non sono nuovi. Nel tardo decennio 2010, contratti a breve durata “up/down” su BitMEX erano popolari e suscitarono l’interesse di quant che riuscirono a estrarre piccoli edge sistematicamente. Quando quei prodotti divennero troppo convenienti per gli arbitraggisti, alcune infrastrutture li hanno delistati per motivi ufficiali come la scarsa domanda.

La differenza oggi è l’evoluzione degli strumenti: dove prima servivano script e intervento umano, ora l’automazione e gli strumenti di ottimizzazione permettono di implementare strategie complesse che si adattano in tempo reale alle condizioni di mercato.

Strategie oltre il semplice arbitraggio sotto $1

Lo sfruttamento del prezzo inferiore a $1 è l’esempio più elementare. Strategie più sofisticate confrontano i prezzi tra mercati differenti: per esempio confrontando i segnali derivati dal mercato delle opzioni con quelli dei mercati di previsione.

Il mercato delle opzioni codifica aspettative collettive sui possibili livelli futuri del prezzo. Le quotazioni di call e put a diversi strike permettono di ricavare una distribuzione di probabilità implicita. Se tale distribuzione indica, per un dato intervallo, una probabilità del 62% che Bitcoin superi una certa soglia, ma il contratto di previsione corrispondente quota al 55%, emerge un divario che può essere sfruttato.

Questi scarti sono spesso ridotti (pochi punti percentuali o meno), ma per trader algoritmici ad alta frequenza anche piccoli margini replicati su migliaia di trade si accumulano in guadagni significativi.

L’ingresso degli agenti guidati dall’AI

Il fattore distintivo dell’attuale ciclo è la crescente accessibilità degli strumenti di AI. Non è più necessario codificare manualmente ogni regola: modelli di machine learning possono testare varianti strategiche, ottimizzare soglie e adattarsi a regimi di volatilità differenti.

Implementazioni moderne prevedono più agenti che monitorano mercati diversi, ribilanciano esposizioni e disattivano automaticamente strategie al peggiorare delle performance. Un’allocazione iniziale di $10.000 a una strategia automatizzata può lasciare che sistemi guidati dall’AI eseguano confronti in tempo reale tra book di previsione e dati dei derivati, aprendo posizioni quando le discrepanze superano una soglia statistica.

Tuttavia, la redditività dipende fortemente da velocità e condizioni di mercato: quando un’inefficienza diviene nota, la concorrenza aumenta, gli spread si restringono e la latenza diventa decisiva.

Perché le grandi società non dominano (ancora)

Se esistono inefficienze sfruttabili, perché non vediamo subito la partecipazione massiccia di grandi desk istituzionali? La risposta è nella combinazione di liquidità limitata e complessità operativa.

Molti contratti a brevissimo termine restano poco profondi rispetto ai mercati dei derivati tradizionali. Inoltre, i mercati di previsione spesso funzionano su infrastrutture blockchain che introducono costi di transazione e meccanismi di clearing diversi dagli exchange centralizzati: per strategie ad altissima frequenza, anche piccole frizioni possono annullare i profitti.

Ne consegue che l’attività tende a concentrarsi tra trader più agili, capaci di operare con tagli contenuti (ordine di grandezza di qualche migliaio di dollari) senza impattare in modo significativo i prezzi. Se la profondità aumenterà e le piattaforme evolveranno, è probabile che operatori più grandi entreranno nel mercato.

Implicazioni strutturali per i mercati di previsione

I mercati di previsione sono concepiti per aggregare convinzioni e produrre probabilità collettive su eventi futuri. Ma con l’aumento dell’automazione, una porzione crescente del volume potrebbe derivare più dall’arbitraggio cross-venue e da modelli statistici che da una reale opinione sull’esito.

Questo non rende i mercati inutili: gli arbitraggisti contribuiscono a migliorare l’efficienza dei prezzi chiudendo i gap e allineando le quotazioni tra sedi diverse. Cambia però il carattere del mercato: da luogo di espressione delle aspettative a campo di battaglia per vantaggi di latenza e microstruttura.

Nell’universo crypto i cambiamenti avvengono rapidamente: inefficienze vengono scoperte, sfruttate e compete contro di esse si intensifica fino a che il vantaggio scompare. La vicenda del bot che ha raccolto quasi $150.000 può essere letta sia come l’individuazione intelligente di una falla temporanea sia come un segnale della trasformazione in atto: i mercati di previsione stanno diventando un ulteriore fronte della finanza algoritmica.

Conclusioni e considerazioni per operatori e regolatori

Per gli operatori: le opportunità nei mercati di previsione esistono, ma richiedono infrastrutture snelle, gestione della latenza e attenzione alle frizioni specifiche della blockchain o della piattaforma scelta.

Per i regolatori e i gestori di piattaforma: la diffusione di trading automatizzato e agenti basati su AI solleva questioni di integrità del mercato, trasparenza e resilienza dell’infrastruttura. È utile valutare limiti di profondità, meccanismi anti-abuso e strumenti che possano bilanciare liquidità e stabilità senza soffocare l’innovazione.

In definitiva, mentre i bot possono ancora trovare e monetizzare inefficienze temporanee, il destino di questi profitti è la competizione: più attori entreranno, più gli scarti si ridurranno, e i mercati di previsione continueranno la loro evoluzione verso strutture sempre più sofisticate e integrate con l’ecosistema dei derivati.